Grid Mapping
占据栅格地图(Occupied Grid Map)是机器人领域一种地图表示方式。可以作为 SLAM 的一个模块，但是这里讨论：在本体位姿已知的情况下，如何构建 2D Grid Map。本文介绍两种方法，贝叶斯概率模型以及高斯过程。
1. 贝叶斯概率模型[1]
设机器人位姿序列为 \(x_{1
...
[paper_reading]-"Grid-GCN for Fast and Scalable Point Cloud Learning"
目前点云特征学习在学术界还处于各种探索阶段，PointCloud-Feature-Extraction 中将点云特征提取分为三维物理空间操作以及映射空间操作两大类，其中对直接在三维空间中提取特征的操作进行了较详细的分析。由于变换到映射空间的操作会相对比较复杂，目前为了实时应用，本人还是比较倾向于
...
Epistemic Uncertainty for Active Learning
Heteroscedastic Aleatoric Uncertainty 中详细讨论了 Aleatoric Uncertainty 的建模以及应用。本文讨论 Epistemic Uncertainty 的建模，以及在 Active Learning 中的应用。Epistemic Uncerta
...
Heteroscedastic Aleatoric Uncertainty
Multi-task Learning Using Uncertainty to Weigh Losses 已经详细描述了贝叶斯模型中几种可建模的不确定性(uncertainty)，并应用了任务依赖/同方差不确定性(Task-dependent or Homoscedastic Aleatori
...
Object Registration with Point Cloud
ADH Tracker 通过 ADH 方法有效得在两目标点云的 T 变换的解空间中搜索出高概率解集，并用简单的运动模型，在贝叶斯概率框架下进行目标状态(位置，速度)的估计。这其中关键的环节还是两目标点云之间变换关系 \((R,T)\) 的求解，即 Object Registration。
求
...
ADH(Annealed Dynamic Histograms) Tracker
卡尔曼滤波详解中详细推导了卡尔曼滤波及其扩展卡尔曼滤波基于贝叶斯的推导过程。由贝叶斯法则式(7)，状态估计问题可定义为：已知似然及先验概率，最大化后验概率的过程。其中先验即为“运动学模型(motion model)”，似然即为“观测”，后验概率即为待估计的状态量。对于卡尔曼滤波，对应了式(1)的
...
PointCloud Feature Extraction
机器学习中，特征提取是非常重要的一个环节（认为是最重要的一环也不为过）。对图像数据的特征提取操作已经较为成熟，如卷积；而点云数据由于无序性，所以对其进行高效的特征提取则比较困难。 一个好的点云特征提取操作需要具备以下特征：
能提取点云的局部以及全局特征；
计算高效；
目前已知的点云特征提
...
[paper_reading]-"RandLA-Net"
Posted on
| Updated on
|
In
Semantic Segmentation
Words count in article:
1k 字
|
Reading time ≈
4 分钟
不同与点云 3D 检测，可以 Voxel 化牺牲一定的分辨率，点云语义分割则要求点级别的分辨率，所以栅格化做点云分割信息会有一定的损失。但是直接对所有点进行特征提取，计算量又相当巨大，为了平衡效率与性能，一般也不得不对点云进行采样处理。这种点云级别的处理方式有 PointNet++， FlowN
...
Model Compression - 'Pruning'
模型压缩技术主要有：Pruning，Regularization，Quantization，KnowLedge Distillation，Comditional Computation等。本文主要讨论剪枝技术(Pruning)。复杂模型存在存储空间大，计算量大等问题，对其进行剪枝使网络中的权重及
...
[paper_reading]-"3D-LaneNet End-to-End 3D Multiple Lane Detection"
在上一篇 paper reading Deep Multi-Sensor Lane Detection 中，最后我提到一个思考点：借鉴 STN 的思路，用前视图直接去回归 IPM 变换需要的矩阵参数。本文[1]就是采用了这种思路！ 如图 1. 所示，车道线检测还是在俯视图下来做的，车道线输出是
...